Google云端AI平台内建TabNet表格模型可替代传统决策树演算法

Google在云端平台新加入内建深度学习模型TabNet，用户可以简单地使用深度学习来处理表格资料，TabNet具有两项优点，除了可解释性之外，还提供高效的执行效能，Google提到，这个演算法很适合用于零售、金融和保险业，实作像是预测信用评分、诈欺侦测和数值预测等应用。

Google提到，虽然表格资料是人工智慧应用中，最常见的资料类型，但是将表格资料应用于深度学习中，并没有获得充分的研究，目前大多数应用程式，仍然使用决策树演算法，Google进一步解释其中的原因，因爲决策树很适合用于表格资料，而且具有很好的可解释性，这在金融服务这类高风险的实际应用中非常重要，另外一个原因则是，过去的深度学习架构并不适合用于表格资料。

之所以要在表格资料使用深度学习技术，Google认为，跟图像、语音和语言等领域相同，新的深度学习架构能带来明显的效能改善，由于深度学习近期在图像以及语言的发展，也驱使了研究团队开发可将深度学习用于表格资料的架构。

而且神经网路与决策树演算法相比，神经网路使用称为反向传播方法，是能够直接从错误讯号学习的有效方法，Google提到，深度神经网路可以于表格资料，提供基于梯度下降的端到端学习方法，这带来的好处包括从部分标记的资料中学习，或称半监督式学习，还能够使用另一个训练模型的资讯，以学习解决相关的任务。

TabNet被设计能够学习类决策树的映射方式，以获取决策树可解释性的优点，而且又因为使用深度学习方法，因此能获得高效能的好处。TabNet採用称为顺序注意力（Sequential Attention）的机器学习技术，用户可以了解模型中的每一个步骤，选择模型特徵的原因，这个机制可以解释模型获得最终预测结果的过程，还可用来改进模型，增加精準度，Google提到，因为顺序注意力机制，TabNet的效能表现比其他神经网路和决策树方法都还要好，还提供可解释的特徵归因。

现在Google发布TabNet，作为云端人工智慧平台训练服务内建的演算法，TabNet提供了超参数调整功能，因此即便用户不了解该方法背后的技术原理，仍可以达到高执行效能。超参数调校会在单一训练工作中，进行多次试验后开始作用，Google提到，虽然超参数比预测值效能还要好，但因为需要经过多次的试验，因此超参数调校功能需要付出较高的计算成本。